需量負(fù)荷控制在電力需求側(cè)管理中起著重要作用,而高精度的需量負(fù)荷預(yù)測將直接影響需量控制的可靠性,是保持電力供需平衡以提高電網(wǎng)穩(wěn)定性的保證。然而,對于大型工業(yè)電力用戶,由于設(shè)備工況與工藝切換,其超短期能源消耗通常具有強烈的隨機性和波動性,使得超短期需量負(fù)荷的準(zhǔn)確預(yù)測成為難題。針對該問題,本文利用多變量相關(guān)性分析、深度時序神經(jīng)網(wǎng)絡(luò)理論、集成學(xué)習(xí)方法等方法進行超短期工業(yè)電能需量預(yù)測研究,提出一種基于深度時序神經(jīng)網(wǎng)絡(luò)的混合集成學(xué)習(xí)預(yù)測模型。為了能有效地分析時間序列負(fù)荷數(shù)據(jù),采用經(jīng)典的長短期記憶網(wǎng)絡(luò)（LSTM）作為預(yù)測模型的基學(xué)習(xí)器,并進行多變量相關(guān)性分析從多源異構(gòu)的原始數(shù)據(jù)中確定與電力需量相關(guān)的輸入屬性。根據(jù)偏差-方差分解原理提出混合集成策略,對多種集成學(xué)習(xí)方法進行組合,包括Bagging、隨機子空間和Boosting,并引入集成修剪,旨在解決單一模型和局部樣本導(dǎo)致的偏差,提高模型的泛化能力。最后,通過采集的真實數(shù)據(jù)構(gòu)建數(shù)據(jù)集來開展超短期需量負(fù)荷預(yù)測實驗,與多種先進時序預(yù)測模型和經(jīng)典集成學(xué)習(xí)算法進行分析評估,對比實驗結(jié)果表明,在MAPE、MAE和NRMSE三種常用的預(yù)測性能評估指標(biāo)和峰值負(fù)荷對應(yīng)... 

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
        1.3.1 本文主要研究內(nèi)容
        1.3.2 本文具體組織結(jié)構(gòu)
第二章 電力需量負(fù)荷預(yù)測相關(guān)理論
    2.1 電力需量負(fù)荷預(yù)測問題描述
        2.1.1 電力需量與最大需量
        2.1.2 需量預(yù)測與需量控制
    2.2 電力需量負(fù)荷特性分析
        2.2.1 時序特性分析
        2.2.2 多變量相關(guān)性分析
    2.3 電力需量負(fù)荷數(shù)據(jù)預(yù)處理
        2.3.1 浮點型數(shù)據(jù)歸一化
        2.3.2 分類型數(shù)據(jù)獨熱編碼
    2.4 電力需量負(fù)荷預(yù)測模型選擇
        2.4.1 電力需量負(fù)荷預(yù)測常用方法
        2.4.2 預(yù)測效果評估指標(biāo)
    2.5 本章小結(jié)
第三章 需量負(fù)荷預(yù)測的深度時序神經(jīng)網(wǎng)絡(luò)方法
    3.1 深度神經(jīng)網(wǎng)絡(luò)
        3.1.1 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
        3.1.2 深度神經(jīng)網(wǎng)絡(luò)處理時間序列
    3.2 經(jīng)典深度時序神經(jīng)網(wǎng)絡(luò)
        3.2.1 深度循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)
        3.2.2 長短期記憶網(wǎng)絡(luò)(LSTM)
        3.2.3 序列到序列網(wǎng)絡(luò)(Seq2Seq)
    3.3 構(gòu)建深度時序神經(jīng)網(wǎng)絡(luò)預(yù)測模型
        3.3.1 模型構(gòu)建
        3.3.2 模型訓(xùn)練
    3.4 算例分析
        3.4.1 整體需量負(fù)荷預(yù)測
        3.4.2 峰值需量負(fù)荷預(yù)測
    3.5 本章小結(jié)
第四章 需量負(fù)荷預(yù)測的深度時序神經(jīng)網(wǎng)絡(luò)集成方法
    4.1 神經(jīng)網(wǎng)絡(luò)集成方法
        4.1.1 偏差-方差分解理論
        4.1.2 集成學(xué)習(xí)
    4.2 經(jīng)典集成學(xué)習(xí)預(yù)測方法
        4.2.1 隨機森林回歸(RFR)
        4.2.2 梯度提升回歸樹(GBRT)
        4.2.3 極端梯度提升(XGBoost)
    4.3 構(gòu)建深度時序神經(jīng)網(wǎng)絡(luò)集成預(yù)測模型
        4.3.1 多樣性增強
        4.3.2 集成修剪
        4.3.3 結(jié)合策略
        4.3.4 組合預(yù)測
    4.4 算例分析
        4.4.1 整體需量負(fù)荷預(yù)測
        4.4.2 峰值需量負(fù)荷預(yù)測
    4.5 本章小結(jié)
第五章 基于集成深度時序神經(jīng)網(wǎng)絡(luò)的電力需量預(yù)測
    5.1 某鋼鐵廠電力系統(tǒng)概況
    5.2 超短期工業(yè)電力需量負(fù)荷預(yù)測集成模型構(gòu)建
    5.3 超短期工業(yè)電力需量負(fù)荷預(yù)測和控制
    5.4 本章小結(jié)
第六章 結(jié)論與展望
    6.1 研究結(jié)果總結(jié)
    6.2 研究前景展望
參考文獻
致謝
附錄A 攻讀學(xué)位期間相關(guān)研究成果
附錄B 攻讀學(xué)位期間參與的科研項目


【參考文獻】：
期刊論文
[1]基于GRU-NN模型的短期負(fù)荷預(yù)測方法[J]. 王增平,趙兵,紀(jì)維佳,高欣,李曉兵.  電力系統(tǒng)自動化. 2019(05)
[2]基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的短期負(fù)荷預(yù)測方法[J]. 陸繼翔,張琪培,楊志宏,涂孟夫,陸進軍,彭暉.  電力系統(tǒng)自動化. 2019(08)
[3]深度學(xué)習(xí)在智能電網(wǎng)中的應(yīng)用現(xiàn)狀分析與展望[J]. 周念成,廖建權(quán),王強鋼,李春艷,李劍.  電力系統(tǒng)自動化. 2019(04)
[4]基于門控循環(huán)單元網(wǎng)絡(luò)與模型融合的負(fù)荷聚合體預(yù)測方法[J]. 陳海文,王守相,王紹敏,王丹.  電力系統(tǒng)自動化. 2019(01)
[5]基于長短期記憶的實時電價條件下智能電網(wǎng)短期負(fù)荷預(yù)測[J]. 李鵬,何帥,韓鵬飛,鄭苗苗,黃敏,孫健.  電網(wǎng)技術(shù). 2018(12)
[6]基于深度結(jié)構(gòu)多任務(wù)學(xué)習(xí)的園區(qū)型綜合能源系統(tǒng)多元負(fù)荷預(yù)測[J]. 史佳琪,譚濤,郭經(jīng),劉陽,張建華.  電網(wǎng)技術(shù). 2018(03)
[7]基于深度信念網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法[J]. 孔祥玉,鄭鋒,鄂志君,曹旌,王鑫.  電力系統(tǒng)自動化. 2018(05)
[8]實現(xiàn)影響因素多源異構(gòu)融合的短期負(fù)荷預(yù)測支持向量機算法[J]. 吳倩紅,高軍,侯廣松,韓蓓,汪可友,李國杰.  電力系統(tǒng)自動化. 2016(15)
[9]采用互信息與隨機森林算法的用戶用電關(guān)聯(lián)因素辨識及用電量預(yù)測方法[J]. 趙騰,王林童,張焰,田世明.  中國電機工程學(xué)報. 2016(03)
[10]鋼鐵企業(yè)電網(wǎng)控制問題分析及策略研究[J]. 郝飛,沈軍,燕飛,陳根軍.  冶金自動化. 2015(05)

博士論文
[1]基于機器學(xué)習(xí)的時間序列預(yù)測方法研究與應(yīng)用[D]. 陳艷華.蘭州大學(xué) 2017
[2]基于智能方法的電力系統(tǒng)負(fù)荷預(yù)測模型及其應(yīng)用研究[D]. 劉曉娟.東華大學(xué) 2014
[3]灰色預(yù)測模型及中長期電力負(fù)荷預(yù)測應(yīng)用研究[D]. 王大鵬.華中科技大學(xué) 2013



本文編號：3733222